Upload
nick-mikhailovsky
View
226
Download
3
Embed Size (px)
Citation preview
Рекомендательные системы.
Люди против машин.
Где?
Зачем?
Как?
Данные. Типы рекомендаций
Сессии
Источник трафика
Просмотренные товары
Поисковые запросы
Время на сайте
Страницы сайта
Профиль
Гео
Персонализующие данные (размеры и т.
п.)
Каталог
Категории
Характеристики
Цены
Маржа
Доступность
Действия
Покупка
Добавление в корзину
Добавление в wish-list
А большие ли данные?
Магазин из ТОП 100 • 100хN тыс. уникальных посетителей в день• 10хN тыс. оформленных заказов в день• 50000 – 1000000 товаров в БД• 6 - Среднее кол-во просмотренных одним посетителем страниц• 10 – примерное кол-во данных собираемых при посещении
пользователем каждой страницы
Трафик
Каталог/ = ?
Проблема свежести данных
Проблема скорости выдачи
Инстанс 1
Crossss DB
r
Приложение Crossss
Load Balancer
WS
Amazon SES
Backup and long-term data
Amazon S3
Инстанс 0
Crossss DB
Приложение CrossssWS
Инстанс N
Crossss DB
Приложение CrossssWS
БД Статистики
Cluster
Сервер ЛК
Приложение Crossss ЛКWS
Сервер статистики и заданий
Задания
Сервер визуальных рекомендаций
Приложение визуальных
рекомендаций
Visual DB
Преднасчитанные рекомендации
NOSQL DB
Дополнительные данные для анализа
Персонализация контента (сортировка поисковой выдачи)
Типичная выдача каталога с произвольной сортировкойИли с сортировкой по цене
Каталог, отсортированный по интересам пользователя
Персонализации писем и других каналов взаимодействия
По магазинам со стандартными почтовыми сериями crossss (октябрь):
• Open Rate 50.1%±2.5% (среднее отклонение)• CTR в открытые письма 43.6%±8.5% (среднее
отклонение)• Конверсия по каналу почтового ретаргетинга
колеблется от 4% до 65% (без учета многоканальной атрибуции, first cookie wins)
Несколько секретовСекрет 1. Как определить, что искал пользователь без поискового запроса
Приземлились на каталог
Приземлились на товар
Секрет 2. Отсутствующие товары – источник прибыли
Секрет 3. Использование информации о том, как пользователи взаимодействуют с рекомендациями.
Секрет 4. Цикл покупки. Конвертация покупателя в подписчика
осознание проблемы
поиск информации
сравнение решенийпокупка
поведение после
покупки
• Определить с помощью BigData, купит или нет в текущей сессии посетитель
• Если все равно не купит, то постараться конвертировать его в email
Секрет 5. Метаалгоритм
Выбор алгоритм
ов-кандидатов по м
агазину и куки (система
постоянного A/B/N
тестирования)
Алгоритм 1
Алгоритм 2
Алгоритм 3
Алгоритм N
Алгоритм …
●●●
Бизнес-логика ранжирования и
фильтрации реком
ендаций
Сильно ли алгоритмы влияют на эффективность рекомендацийТекст заголовка Размещение блока на странице
А/Б тест:CTR Заголовок
0,029 8 недавно купленных товаров0,031 Вам рекомендуют0,032 8 товаров, которые вам понадобятся в этом месяце0,036 8 похожих товаров0,036 Смотревшие этот товар купили:0,038 8 товаров, которые тоже понадобятся0,039 8 товаров для сравнения0,040 8 товаров, которые вас заинтересуют0,054 Что может понадобиться во время кризиса?0,069 8 товаров, без которых у вас могут появиться проблемы
Вас также может заинтересовать Обратите внимание на С этим товаром часто покупаютВозможно, Вас заинтересует Покупатели рекомендуют С этими товарами покупают
Выгодные предложения Популярные товарыСмотревшие этот товар интересуются
Дополнительные рекомендацииПохожие более дешевые товары Смотревшие этот товар купили
Купите прямо сейчас Похожие товары в наличии Сравните еще сЛидер продаж Похожие товары Товары в корзинеЛидеры продаж Рекомендаций не найдено Товары которые подешевелиМы рекомендуем Рекомендуем Товары которые подорожалиНедавно в этой категории покупали Рекомендуемые товары Товары нашего магазинаНедавно просмотренные товары С этим товаром покупают Хиты продаж
АБ и ААБ тестирование
«Чистая математика» против «Грязных рук» маркетологов